Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
ÍNDICE
DE PROBABILIDAD
Pág.
I. INTRODUCCIÓN A LA PROBABILIDAD 2
GEOMÉTRICA. 19
2
MÓDULO I
I. INTRODUCCIÓN A LA PROBABILIDAD
3
1.2. Distribución de probabilidad.
TABLA 1
Suponga ahora que nos interesa formular una distribución de probabilidad del número de
cruces (T) que podrían caer cuando lanzamos la moneda dos veces. Podríamos empezar
por anotar cualquier resultado que no contenga cruces. Con una moneda no alterada,
estaríamos hablando exclusivamente del tercer resultado de la tabla. Luego anotaríamos los
resultados que tuvieran sólo una cruz (segundo y cuarto resultados de la tabla), por último,
incluiríamos el primer resultado que contiene dos cruces.
TABLA 2
4
Si ordenamos los resultados para enfatizar el número de cruces contenidas en cada
resultado. En este punto, debemos tener cuidado y considerar que la tabla 3 no representa
el resultado real de lanzar una moneda no alterada dos veces; Se trata del resultado teórico,
es decir, representa la forma en que esperamos que se comporte nuestro experimento de
dos lanzamientos.
TABLA 3
Ejemplo 2: Una candidata política para un puesto en el gobierno local está considerando los
votos que puede obtener en las elecciones que se avecinan. Suponga que los votos pueden
tomar sólo cuatro valores posibles. Si la estimación de la candidata es como sigue:
5
1.3. Tipos de Distribución de frecuencias
6
Ejemplo 1: El lanzamiento de la moneda no
alterada un número fijo de veces es un proceso de
Bernoulli, y los resultados de tales lanzamientos
pueden representarse mediante la distribución
binomial de probabilidad.
Ejemplo 2: El éxito o fracaso de los solicitantes de
empleo, entrevistados para prueba de aptitudes,
también puede ser descrito como un proceso de
Bernoulli.
Por otro lado, la distribución de frecuencias de la
duración de las luces fluorescentes de una fábrica se podría medir mediante una escala
continua de tiempo y no se podría clasificar como una distribución binomial.
Podemos utilizar el resultado del lanzamiento de una moneda no alterada un cierto número
de veces como ejemplo de un proceso de Bernoulli. Podemos describir el proceso de la
siguiente manera:
1. Cada intento (cada lanzamiento, en este caso) tiene solamente dos resultados
posibles: cara o cruz, sí o no, éxito o fracaso.
2. La probabilidad del resultado de cualquier intento (lanzamiento) permanece fijo con
respecto al tiempo. Con una moneda no alterada, la probabilidad de obtener cara
siempre es 0.5 para cada lanzamiento, independientemente del número de veces
que se lance la moneda.
3. Los intentos son estadísticamente independientes, es decir, el resultado de un
lanzamiento no afecta el resultado de cualquier otro lanzamiento.
Cada proceso de Bernoulli tiene su propia probabilidad característica. Considere una
situación en la que, a lo largo del tiempo, siete décimas partes de todas las personas que
solicitan cierto tipo de trabajo aprueban el examen de aptitudes. Diríamos que, en este caso,
la probabilidad característica es de 0.7, pero podríamos describir el resultado del examen
como de Bernoulli sólo si tenemos la certeza de que la fracción de los que aprueban el
examen (0.7) permanece constante en el tiempo. Desde luego que las otras características
del proceso de Bernoulli también deben cumplirse. Cada examen tendría que tener
solamente dos resultados (éxito o fracaso) y los resultados de cada prueba deberían ser
estadísticamente independientes.
7
En un lenguaje más formal, el símbolo p representa la probabilidad de tener éxito (0.7 en
este ejemplo) y el símbolo q (q= 1- p) es la probabilidad de que resulte en un fracaso (0.3).
Para representar un cierto número de éxitos, utilizaremos el símbolo r, y para representar el
número total de intentos o de ensayos utilizamos el símbolo n. En las situaciones que
analizaremos, el número de ensayos está fijo desde antes de empezar el experimento.
Calculemos, para utilizar este lenguaje en un problema sencillo, las posibilidades de obtener
exactamente dos caras (en cualquier orden) en tres lanzamientos de una moneda no
alterada. Simbólicamente, expresamos los valores de la forma siguiente: • p = probabilidad
característica o probabilidad de tener éxito = 0.5
Aunque esta fórmula pueda parecer un tanto complicada, se le puede utilizar con bastante
facilidad.
El símbolo! significa factorial y se calcula de la manera siguiente:
3! significa 3 x 2 x 1= 6.
Para calcular 5!, multiplicamos 5 x 4 x 3 x 2 = 1 120.
En matemática se definen 0! = 1.
Utilizando la fórmula binomial para resolver nuestro problema, descubrimos que
Probabilidad de 2 éxitos en 3 intentos
Por tanto, existe una probabilidad de 0.375 de obtener dos caras en tres lanzamientos de
una moneda no alterada.
8
Para resolver problemas más grandes, se convierte en algo bastante complicado. De hecho,
haciendo uso de la fórmula binomial, no se facilitan las cosas cuando tenemos que calcular
el valor de algo como 19 factorial. Por este motivo, se han construido tablas de probabilidad
binomial.
Consideremos la siguiente situación: Es frecuente que los empleados lleguen tarde a trabajar
a la Farmacia Kerr, donde hay cinco empleados en ella. El propietario ha estudiado la
situación durante cierto periodo y determinó que hay una probabilidad de 0.4 de que
cualquier empleado llegue tarde y que las llegadas de los mismos son independientes entre
sí.
¿Cómo podríamos trazar una distribución binomial de probabilidad que ejemplifique las
probabilidades de que 0, 1, 2, 3, 4 o 5 empleados lleguen tarde simultáneamente? Para
hacerlo, necesitaríamos utilizar la fórmula binomial donde:
p= 0.4
q= 0.6
n= 5
Se deben efectuar cálculos separados para cada r, desde 0 hasta 5. Recordemos que,
matemáticamente, cualquier número elevado a la cero potencia es igual a 1. Tenemos que
empezar con la fórmula binomial:
9
Gráficamente:
10
Podemos hacer las siguientes generalizaciones:
1. Cuando p es pequeña (0.l), la distribución binomial está sesgada hacia la derecha. 2.
Conforme p aumenta (a 0.3, por ejemplo), el sesgo es menos notable.
3. Cuando p 0.5, la distribución binomial es simétrica.
4. Cuando p es mayor que 0.5, la distribución está sesgada hacia la izquierda.
5. Las probabilidades para 0.3, por ejemplo, son las mismas para 0.7, excepto que los
valores de p y q están invertidos.
Esto se aplica a cualquier pareja de valores p y q complementarios (0.3 y 0.7; 0.4 y 0.6; 0.2
y 0.8). Examinemos gráficamente lo que sucede a la distribución binomial cuando p se
mantiene constante y n aumenta. A medida que n aumenta, las líneas verticales no nada
más se hacen más numerosas, sino que también tienden a juntarse cada vez más para
asumir la forma de una campana.
11
probabilidades mayores a 0.5? Simplemente remítase a las tablas binomiales y, en este
caso, busque los valores de probabilidad que están al pie de las columnas; éstas van desde
0.50 hasta 0.99.
En la que:
• n = número de ensayos
• p = probabilidad de tener éxito
En la que:
• n =número de ensayos
• p =probabilidad de éxito
• q probabilidad de fracaso = 1 - p
Para ver la forma en que se utilizan las ecuaciones, tomemos el caso de una máquina
empacadora que produce el 20% de paquetes defectuosos. Si tomamos una muestra
12
aleatoria de 10 paquetes, podemos calcular la media y la desviación estándar de la
distribución binomial del proceso de la siguiente manera:
13
de camiones y automóviles a una caseta de cobro, y el número de accidentes registrados
en cierta intersección.
Estos ejemplos tienen en común un elemento: pueden ser descritos mediante una variable
aleatoria discreta que toma valores enteros (0, 1, 2, 3, 4, 5, etc).
El número de pacientes que llegan al consultorio de un médico en un cierto intervalo será de
0, 1, 2, 3, 4, 5 o algún otro número entero. De manera parecida, si se cuenta el número de
automóviles que llegan a una caseta de cobro de alguna carretera durante un periodo de 10
minutos, el número será de 0, 1, 2, 3, 4, 5 y así consecutivamente.
14
Cálculo de la probabilidad de Poisson utilizando la tabla.
La distribución de probabilidad de Poisson, como hemos mostrado, tiene que ver con ciertos
procesos que pueden ser descritos por una variable aleatoria discreta. Generalmente, la letra
X representa a esta variable discreta y puede tomar valores enteros (0, 1, 2, 3, 4, 5, etc).
Utilizamos la mayúscula X para representar a la variable aleatoria y la minúscula x para
señalar un valor específico que dicha variable pueda tomar. La probabilidad de tener
exactamente x ocurrencias en una distribución de Poisson se calcula con la fórmula:
Suponga que estamos investigando la seguridad de una peligrosa intersección. Los registros
policiacos indican una media de cinco accidentes mensuales en esta intersección. El número
de accidentes está distribuido de acuerdo con una distribución de Poisson, y el
Departamento de Seguridad de Tránsito desea que calculemos la probabilidad de que en
cualquier mes ocurran exactamente 0, 1, 2, 3 o 4 accidentes. Podemos utilizar la tabla para
evitar el tener que calcular e elevadas a potencias negativas. Aplicando la fórmula
15
De que ocurra exactamente un accidente:
16
Como la probabilidad de Poisson de que ocurran tres o menos accidentes es de
0.26511, la probabilidad de tener más de tres accidentes debe ser 0.73489
(1.00000 - 0.26511). Debido a que 0.73489 es mayor que 0.65, es necesario
tomar medidas para mejorar la seguridad de la intersección. Podríamos
continuar calculando las probabilidades para más de cuatro accidentes y al final
construir una distribución de probabilidad de Poisson del número de accidentes
mensuales en esta intersección.
La tabla ilustra dicha distribución.
17
Búsqueda de probabilidades de Poisson utilizando la tabla
Afortunadamente, realizar a mano los cálculos de las probabilidades de Poisson
no es necesario. El empleo de la tabla permite obtener los mismos resultados
que si hiciéramos los cálculos, pero ahorrándonos el trabajo tedioso.
Revisemos nuevamente el problema de la intersección presentado
anteriormente. En éste calculamos, de la siguiente manera, la probabilidad de
que hubiera cuatro accidentes:
Para utilizar la tabla todo lo que necesitamos saber son los valores de x y
λ (lambda), en este ejemplo, 4 y 5, respectivamente. Después busque en la tabla.
Primero encuentre la columna cuyo encabezado es 5; luego recórrala hacia
abajo hasta que esté a la altura del 4 y lea la respuesta directamente, 0.1755.
Eso es mucho menos trabajo, Un ejemplo más nos asegurará de que ya
dominamos el método.
Ejemplo: Las lesiones laborales graves que ocurren en una planta siderúrgica,
tienen una media anual de 2.7. Dado que las condiciones de seguridad serán
iguales en la planta durante el próximo año, ¿cuál es la probabilidad de que el
número de lesiones graves sea menor que dos?
18
La distribución de Poisson como una aproximación de la distribución
binomial.
En algunas ocasiones, si deseamos ahorrarnos la tediosa tarea de calcular
distribuciones binomiales de probabilidad, podemos utilizar la distribución de
Poisson. La distribución de Poisson puede ser una razonable aproximación de
la binomial, pero sólo bajo ciertas condiciones. Tales condiciones se presentan
cuando n es grande y p es pequeña, esto es, cuando el número de ensayos es
grande y la probabilidad binomial de tener éxito es pequeña. La regla que utilizan
con más frecuencia los estadísticos es que la distribución de Poisson es una
buena aproximación de la distribución binomial cuando n es igual o mayor que
20 y p es igual o menor a 0.05. En los casos en que se cumplen estas
condiciones, podemos sustituir la media de la distribución binomial (np) en lugar
de la media de la distribución de Poisson (λ), de modo que la fórmula queda:
19
III. FUNCIONES ESPECIALES DE PROBABILIDAD DISCRETA; LEYES
HIPERGEOMÉTRICA Y GEOMÉTRICA.
P(X) =
Ejemplo
20
Un lote contiene 100 piezas de un proveedor de tubería local y 200 unidades de un proveedor
de tubería del estado vecino. Si se seleccionan cuatro piezas al azar y sin reemplazo,
a) ¿Cuál es la probabilidad de que todas sean del proveedor local?
b) ¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del proveedor local?
c) ¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del proveedor
local?
La probabilidad de que todas sean del proveedor local
Sea X igual al número de piezas de la muestra del proveedor local. Entonces, x tiene una
distribución hipergeométrica y la probabilidad pedida es P(x=4). Por consiguiente,
La probabilidad de que dos o más piezas de la muestra sean del proveedor local
La probabilidad de que al menos una pieza de la muestra sea del proveedor local
21
Dónde:
P= probabilidad de éxito en cada ensayo
x= ensayos que sean necesarios para obtener un éxito, para x = 1, 2, 3,..
La función depende del parámetro p, y presenta siempre una asimetría a la derecha como
se puede observar en las siguientes gráficas:
Esperanza
Varianza
Ejemplo: Una maquina detecta fallas en los productos que elabora una fábrica. Si los
productos tienen una probabilidad de falla del 5%, calcular la probabilidad de que la maquina
encuentre su primer producto defectuoso en la octava ocasión que selecciona un producto
para su inspección.
Definir éxito: salga defectuoso el producto.
X=8
22
p = 0.05
q = 1 - 0.05 = 0.95
P(X=8) = (0.95)7(0.05) = 0.0349
23
3. Debido a la simetría de la distribución normal de probabilidad, la mediana y la moda de la
distribución se encuentran también en el centro; en consecuencia, para una curva normal,
la media, la mediana y la moda tienen el mismo valor.
Se trata, sin duda, del modelo continuo más importante en estadística, tanto por su aplicación
directa, veremos que muchas variables de interés general pueden describirse por dicho
modelo, como por sus propiedades, que han permitido el desarrollo de numerosas técnicas
de inferencia estadística. En realidad, el nombre de Normal proviene del hecho de que
durante un tiempo se creyó, por parte de médicos y biólogos, que todas las variables
naturales de interés seguían este modelo.
Como vemos, depende de dos parámetros μ (que puede ser cualquier valor real) y σ (que
ha de ser positiva). Por esta razón, a partir de ahora indicaremos de forma abreviada que
una variable X sigue el modelo Normal así: X ~ N(μ, σ). Por ejemplo, si nos referimos a una
distribución Normal con μ = 0 y σ = 1 lo abreviaremos N(0, 1).
Como se puede ver, la función de densidad del modelo Normal tiene forma de campana, la
que habitualmente se denomina campana de Gauss. De hecho, a este modelo, también se
le conoce con el nombre de distribución gaussiana.
1. Su esperanza es μ.
2. Su varianza es σ2 y, por tanto, su desviación típica es σ.
3. Es simétrica respecto a su media μ, como puede apreciarse en la representación
anterior.
4. Media, moda y mediana coinciden (μ).
5. Cualquier transformación lineal de una variable con distribución Normal seguirá
también el modelo Normal. Si X ~ N(μ, σ) y definimos Y = aX + b (con a ≠ 0),
entonces Y ~N(aμ + b, |a|σ). Es decir, la esperanza de Y será aμ + b y su desviación
típica, |a| σ.
6. Cualquier combinación lineal de variables normales independientes sigue también
una distribución Normal. Es decir, dadas n variables aleatorias independientes con
24
distribución Xi ~ N(μi, σi) para i = 1, 2, ..., n la combinación lineal: Y = anXn + an−1Xn−1+
... + a1X1 + a0 sigue también el modelo Normal:
Este valor estándar también se le conoce como valor-z. El valor-z nos indica cuantas
desviaciones estándares esta la observación original de si media y en que dirección.
Las observaciones mayores que su media toman valores positivos cuando se
estandarizan mientras los valores que son menores a su media toman valores
negativos.
Ejemplo El peso de una bolsa de “papitas” cuya etiqueta indica que es de 9oz es
aproximadamente Normal con µ = 9.12oz y σ = 0.15oz.
El peso estándar es
z = X− 9.12
0.15
Ejemplo una bolsa que pese 9.3oz, su peso estandarizado lo es
z = 9.3 − 9.12 = 1.2
0.15
25
Gráficamente:
En este caso utilizamos la tabla para la distribución Normal estándar podemos ver
que el área es 0.2327. El mercado va bajar anualmente un 23.27 % del tiempo. Note
que el ´área a la derecha de −0.73 es 1 − 0.2327 = 0.7673. Lo que nos indica que la
bolsa va a estar por encima un 76.73 % del tiempo.
Área bajo la curva en una curva Normal estándar
26
27
28